Treffer: Evaluation of the Deep Q-Learning Models for Mobile Robot Path Planning Problem.

Search algorithms such as A* or Dijkstra are generally used to solve the path planning problem for mobile robots. However, these approaches require a map and their performance decreases in dynamic environments. These drawbacks have led researchers to work on dynamic path planning algorithms. Deep reinforcement learning methods have been extensively studied for this purpose and their use is expanding day by day. However, these studies mostly focus on training performance of the models, but not on inference. In this study, we propose an approach to compare the performance of the models in terms of path length, path curvature and journey time. We implemented the approach by using Python programming language two steps: inference and evaluation. Inference step gathers information of path planning performance; evaluation step computes the metrics regarding the information. Our approach can be tailored to many studies to examine the performances of trained models. [ABSTRACT FROM AUTHOR]

Mobil robotlar için yol planlama problemini çözmek için genellikle A* veya Dijkstra gibi arama algoritmaları kullanılır. Ancak bu yaklaşımların bir harita gereksinimi bulunmakla birlikte dinamik ortamlarda performansları düşer. Bu dezavantajlar araştırmacıları dinamik yol planlama algoritmaları üzerinde çalışmaya yöneltmiştir. Derin takviyeli öğrenme yöntemleri bu amaçla kapsamlı bir şekilde incelenmiş ve bu yöntemlerin kullanımı her geçen gün artmaktadır. Ancak bu çalışmalar çoğunlukla modellerin eğitim performansına odaklanmakta olup çıkarıma dayalı bir performans değerlendirmesi yapılmamaktadır. Bu çalışmada, modellerin performansını yol uzunluğu, yol eğriliği ve yolculuk süresi açısından karşılaştırmak için bir yaklaşım önerilmektedir. Önerilen yaklaşım Python programlama dili kullanılarak çıkarım ve değerlendirme olarak iki adımda gerçeklenmiştir. Çıkarım adımı yol planlama performansı hakkında bilgi toplamakta olup; değerlendirme adımı ise bu bilgilerle ilgili metrikleri hesaplamaktadır. Önerilen yaklaşım, eğitilen modellerin performanslarını incelemek için birçok çalışmaya uyarlanabilir. [ABSTRACT FROM AUTHOR]

Copyright of Gazi Üniversitesi Fen Bilimleri Dergisi Part C: Tasarım ve Teknoloji is the property of Gazi University and its content may not be copied or emailed to multiple sites without the copyright holder's express written permission. Additionally, content may not be used with any artificial intelligence tools or machine learning technologies. However, users may print, download, or email articles for individual use. This abstract may be abridged. No warranty is given about the accuracy of the copy. Users should refer to the original published version of the material for the full abstract. (Copyright applies to all Abstracts.)